CN111775938B - 一种变道路径规划方法、装置及系统 - Google Patents
一种变道路径规划方法、装置及系统 Download PDFInfo
- Publication number
- CN111775938B CN111775938B CN202010586803.5A CN202010586803A CN111775938B CN 111775938 B CN111775938 B CN 111775938B CN 202010586803 A CN202010586803 A CN 202010586803A CN 111775938 B CN111775938 B CN 111775938B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lane change
- road condition
- condition information
- lane
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000008859 change Effects 0.000 title claims abstract description 251
- 238000013439 planning Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 91
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000003066 decision tree Methods 0.000 claims description 23
- 238000013070 change management Methods 0.000 claims description 6
- 238000013138 pruning Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- JKMPXGJJRMOELF-UHFFFAOYSA-N 1,3-thiazole-2,4,5-tricarboxylic acid Chemical compound OC(=O)C1=NC(C(O)=O)=C(C(O)=O)S1 JKMPXGJJRMOELF-UHFFFAOYSA-N 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/18—Propelling the vehicle
- B60W30/18009—Propelling the vehicle related to particular drive situations
- B60W30/18163—Lane change; Overtaking manoeuvres
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及自动驾驶技术领域,具体是一种变道路径规划方法、装置及系统,所述方法包括:当车辆的自动变道模式启动时,获取所述车辆的训练数据集,所述训练数据集根据所述车辆的实际变道数据生成,所述实际变道数据为所述车辆在未启动自动变道模式时的变道数据;在监测到所述车辆的车道变换信号后,获取所述车辆行驶的当前路况信息;根据所述训练数据集和所述当前路况信息确定所述当前路况信息对应的目标参数标签;基于所述目标参数标签对应的路径规划参数进行变道路径规划,确定所述车辆的变道路径。本发明通过根据当前路况信息以及驾驶员的变道习惯进行变道路径规划,能够更好地反映驾驶员的变道偏好,提升自动驾驶车辆的驾乘体验。
Description
技术领域
本发明涉及自动驾驶技术领域,特别涉及一种变道路径规划方法、装置及系统。
背景技术
随着城市化进程的深入,城市车辆激增带来的交通事故和交通拥堵进一步加剧。自动驾驶在减少交通事故和缓解交通拥堵等方面展现出巨大的潜力,已成为各大汽车厂商研究热点。变道行为,作为车辆行驶中基本行为之一,其研究对提高车辆的智能化驾驶水平和增加道路通行能力有重要意义。
变道路径规划是指车辆,为获取速度优势或由于行驶需求等,综合考虑自身及周围车辆位置、速度和加速度等因素,在给定的未来时间段内计算时空行驶路径,以保证变更车道行为的顺利安全地进行。一般而言,将变道过程划分为三个阶段:首先为信息感知,即通过传感器或车辆-基础设施互联系统等硬件设施获取自身车辆和周围车辆的位置、速度和加速度等信息,为路径规划过程作底层输入;其次为路径规划,基于感知的信息计算未来给定时间段内的时空路径信息,该时空路径信息可进一步表现为空间位置信息和随时间变化的速度信息;最后为执行变道,车辆基于底层的控制模块沿着规划的时空路径完成车道变更任务。
现有的变道路径规划方法一种是采用路径代价函数来确定最优轨迹,但代价函数里的权重系数一般是人为选定的,不能根据不同驾驶员的驾驶偏好进行调整,驾驶员的驾驶体验可能较差。另一种是根据道路状况、驾驶员舒适度以及驾驶员的驾驶习惯中的一项或多项来估计变道所需要的时间,进而确定变道路径,但由于驾驶员的驾驶习惯是通过长期观察得到的,据此设定预定的变道时间是比较主观的,不一定能反映驾驶员真实的变道偏好。此外,变道时间仅仅是变道路径轨迹中的一个参数,轨迹的一些其他性质不能进行调整,导致规划的变道路径并不准确。
发明内容
针对现有技术的上述问题,本发明的目的在于提供一种变道路径规划方法、装置及系统,能够更好地反映驾驶员的变道偏好,提升自动驾驶车辆的驾乘体验。
为了解决上述问题,本发明提供一种变道路径规划方法,包括:
当车辆的自动变道模式启动时,获取所述车辆的训练数据集,所述训练数据集根据所述车辆的实际变道数据生成,所述实际变道数据为所述车辆在未启动自动变道模式时的变道数据;
在监测到所述车辆的车道变换信号后,获取所述车辆行驶的当前路况信息;
根据所述训练数据集和所述当前路况信息确定所述当前路况信息对应的目标参数标签;
基于所述目标参数标签对应的路径规划参数进行变道路径规划,确定所述车辆的变道路径。
进一步地,所述方法还包括:
当所述车辆的自动变道模式未启动时,获取所述车辆的实际变道数据,所述实际变道数据包括变道起始时刻的路况信息和实际变道路径;
基于预设的多组路径规划参数分别进行变道路径规划,确定所述车辆的多个候选变道路径;
将所述实际变道路径与所述多个候选变道路径分别进行匹配,确定与所述实际变道路径最接近的候选变道路径,作为目标路径;
获取所述目标路径对应的路径规划参数的参数标签,将所述变道起始时刻的路况信息和所述参数标签对应加入车辆的训练数据集。
进一步地,所述根据所述训练数据集和所述当前路况信息确定所述当前路况信息对应的目标参数标签包括:
将所述当前路况信息输入预先训练的决策树模型,得到所述当前路况信息对应的目标参数标签。
进一步地,所述训练数据集包括多个路况信息和与之对应的参数标签;
所述当车辆的自动变道模式启动时,获取所述车辆的训练数据集之后,还包括:
根据所述路况信息的各个特征以及所述路况信息对应的参数标签构建决策树;
基于预设的损失函数对构建的决策树进行剪枝处理,生成决策树模型。
可选择地,所述训练数据集包括多个路况信息和与之对应的参数标签;
所述根据所述训练数据集和所述当前路况信息确定所述当前路况信息对应的目标参数标签包括:
统计所述训练数据集中的各个参数标签的标签数量;
获取标签数量最多的参数标签作为所述当前路况信息对应的目标参数标签;
或者,
根据最近邻方法确定所述训练数据集中与所述当前路况信息最邻近的路况信息;
将所述最邻近的路况信息对应的参数标签作为所述当前路况信息对应的目标参数标签。
进一步地,所述基于预设的多组路径规划参数分别进行变道路径规划,确定所述车辆的多个候选变道路径之前,还包括:
判断所述车辆的实际变道数据是否满足预设条件;
当所述实际变道数据满足预设条件时,执行所述基于预设的多组路径规划参数分别进行变道路径规划,确定所述车辆的多个候选变道路径的步骤。
进一步地,所述路况信息包括道路曲率、车道宽度、附近车辆的位置、附近车辆的碰撞时间、附近车辆的时距以及车辆与必须变道位置的距离,所述附近车辆包括待变入车道上前方最近车辆、待变入车道上后方最近车辆、本车道上前方最近车辆和待变入车道另一侧相邻车道上距离最近的车辆。
本发明另一方面保护一种变道路径规划装置,包括:
训练数据集获取单元,用于当车辆的自动变道模式启动时,获取所述车辆的训练数据集,所述训练数据集根据所述车辆的实际变道数据生成,所述实际变道数据为所述车辆在未启动自动变道模式时的变道数据;
路况信息获取单元,用于在监测到所述车辆的车道变换信号后,获取所述车辆行驶的当前路况信息;
目标参数标签确定单元,用于根据所述训练数据集和所述当前路况信息确定所述当前路况信息对应的目标参数标签;
变道路径规划单元,用于基于所述目标参数标签对应的路径规划参数进行变道路径规划,确定所述车辆的变道路径。
进一步地,所述装置还包括:
实际变道数据获取单元,用于当所述车辆的自动变道模式未启动时,获取所述车辆的实际变道数据,所述实际变道数据包括变道起始时刻的路况信息和实际变道路径;
候选变道路径确定单元,用于基于预设的多组路径规划参数分别进行变道路径规划,确定所述车辆的多个候选变道路径;
匹配单元,用于将所述实际变道路径与所述多个候选变道路径分别进行匹配,确定与所述实际变道路径最接近的候选变道路径,作为目标路径;
训练数据集确定单元,用于获取所述目标路径对应的路径规划参数的参数标签,将所述变道起始时刻的路况信息和所述参数标签对应加入车辆的训练数据集。
本发明另一方面保护一种变道路径规划系统,包括路况记录模块、自动变道模块和车辆控制模块;
所述路况记录模块,用于记录所述车辆行驶的当前路况信息;
所述自动变道模块包括变道路径规划装置,所述变道路径规划装置用于当车辆的自动变道模式启动时,获取所述车辆的训练数据集,所述训练数据集根据所述车辆的实际变道数据生成,所述实际变道数据为所述车辆在未启动自动变道模式时的变道数据;在监测到所述车辆的车道变换信号后,获取所述车辆行驶的当前路况信息;根据所述训练数据集和所述当前路况信息确定所述当前路况信息对应的目标参数标签;基于所述目标参数标签对应的路径规划参数进行变道路径规划,确定所述车辆的变道路径;
所述车辆控制模块,用于根据所述变道路径控制所述车辆进行自动变道。
由于上述技术方案,本发明具有以下有益效果:
本发明的变道路径规划方法,通过根据车辆的实际变道数据生成的训练数据集以及当前路况信息确定当前路况下的目标参数标签,并基于所述目标参数标签对应的路径规划参数确定所述车辆的变道路径,不仅能够适应不同的路况、保证驾驶安全性,还能够更好地反映驾驶员的变道偏好,使得自动变道和驾驶员自主变道时的主观感受更为一致,提升自动驾驶车辆的驾乘体验。另外,随着驾驶里程和变道行为数量不断增加,训练数据集不断扩充,规划的变道路径更加符合驾驶员的变道习惯。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1是本发明一个实施例提供的变道路径规划方法的流程图;
图2是本发明另一个实施例提供的变道路径规划方法的流程图;
图3是本发明一个实施例提供的附近车辆的位置示意图;
图4是本发明一个实施例提供的变道路径规划装置的结构示意图;
图5是本发明一个实施例提供的变道路径规划系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
参考说明书附图1,其示出了本发明一个实施例提供的变道路径规划方法的流程,所述方法可以应用于车辆的自动变道模块。如图1所示,所述方法可以包括以下步骤:
S110:当车辆的自动变道模式启动时,获取所述车辆的训练数据集,所述训练数据集根据所述车辆的实际变道数据生成,所述实际变道数据为所述车辆在未启动自动变道模式时的变道数据。
本发明实施例中,所述车辆的训练数据集可以包括多个路况信息和与之对应的参数标签。所述车辆的训练数据集可以为所述自动变道模块在驾驶员未开启车辆的自动变道模式时,对驾驶员的变道行为进行学习得到的。具体地,当车辆的自动变道模式未启动时,所述自动变道模块仍然进行计算,但不对车辆进行控制。
在一个可能的实施例中,结合参考说明书附图2,对驾驶员的变道行为进行学习得到训练数据集的方法可以包括以下步骤:
S210:当所述车辆的自动变道模式未启动时,获取所述车辆的实际变道数据,所述实际变道数据包括变道起始时刻的路况信息和实际变道路径。
本发明实施例中,当所述车辆的自动变道模式未启动时,所述车辆可以经过驾驶员手动操作进行变道,所述自动变道模块可以获取车辆变道过程中的实际变道数据,对所述实际变道数据进行处理来得到所述车辆的训练数据集。由于所述实际变道数据为驾驶员根据自身变道习惯进行变道的数据,因此学习得到的训练数据集能够较好的体现驾驶员的变道习惯。
本发明实施例中,所述变道起始时刻的路况信息可以包括道路曲率、车道宽度、附近车辆的位置、附近车辆的碰撞时间、附近车辆的时距以及车辆与必须变道位置的距离,所述附近车辆包括待变入车道上前方最近车辆、待变入车道上后方最近车辆、本车道上前方最近车辆和待变入车道另一侧相邻车道上距离最近的车辆。
在一个示例中,结合参考说明书附图3,其示出了本发明实施例中所述车辆附近车辆的位置示意图,如图3所示,所述附近车辆包括待变入车道上自车前方最近车辆A、待变入车道上后方最近车辆B、本车道上前方最近车辆C和待变入车道另一侧相邻车道上距离最近的车辆D。所述变道起始时刻的路况信息可以包括:
(1)道路曲率Cr、车道宽度Lw;
(2)待变入车道上自车前方最近车辆A的位置SA、碰撞时间TTCA、时距TGA,待变入车道上自车后方最近车辆B的位置SB、碰撞时间TTCB、时距TGB,本车道上前方最近车辆C的位置SC、碰撞时间TTCC、时距TGC,待变入车道另一侧相邻车道距离自车最近的车辆的位置SD、碰撞时间TTCD、时距TGD;
(3)车辆与必须变道位置的距离Dx。
其中,自车在此时准备向左侧变道,左侧车道的阴影部分是设定的一个危险区域,当有车辆在该危险区域时,不允许车辆自动变道。车辆A为危险区域前方与自车距离最近的车辆,车辆B为危险区域后方与自车距离最近的车辆,车辆C为自车前方最近车辆,车辆D为待变入车道另一侧相邻车道距离自车最近的车辆。若相应位置的车辆不存在,则位置、碰撞时间和时距均取一个默认的较大值。所述必须变道位置指本车道消失,需要并入相邻车道的位置。
S220:基于预设的多组路径规划参数分别进行变道路径规划,确定所述车辆的多个候选变道路径。
本发明实施例中,可以根据一定方法预先确定多组路径规划参数,分别对应不同的标签。假设所述路径规划参数有N组,则可以基于N组参数分别进行变道路径规划,产生一系列的候选变道路径B1,B2,...,BN。其中,产生不同候选变道路径的方法可以是:不同的变道时间;不同的横向速度、加速度、急动度;路径代价函数中不同的权重。
在一个可能的实施例中,所述基于预设的多组路径规划参数分别进行变道路径规划,确定所述车辆的多个候选变道路径之前,还可以包括:
判断所述车辆的实际变道数据是否满足预设条件;
当所述实际变道数据满足预设条件时,执行所述基于预设的多组路径规划参数分别进行变道路径规划,确定所述车辆的多个候选变道路径的步骤。
具体地,在对所述实际变道数据进行学习之前,还可以判断是否对本次变道行为进行学习。所述实际变道数据还可以包括车辆的状态信息、车辆当前行驶的道路信息以及变道的执行情况,可以判断所述状态信息以及所述道路信息是否满足所述自动变道模块允许变道的条件,以及判断变道行为的执行是否规范来决定是否对本次变道行为进行学习。对变道行为进行学习,可以限定在所述状态信息和所述道路信息满足所述自动变道模块允许变道的条件,并且所述变道行为的执行比较规范的情形下。
在一个示例中,所述自动变道模块允许变道的条件可以包括:(1)所述状态信息和所述道路信息在自动变道功能的运行设计域(Operational Design Domain,ODD)范围内,比如车辆的时速在一定时速以上、车道线可见等。(2)变道路径没有障碍物。若所述状态信息和所述道路信息满足上述条件,则不对本次变道行为进行学习。
在一个示例中,所述变道行为的执行比较规范的条件可以包括对变道起始时刻和结束时刻的判断比较清晰。其中,定义变道的起始时刻为打开转向灯后,车辆的横向偏移超过一个较小阈值Δ1,并且此后不发生较大震荡的时刻;定义变道的结束时刻为车辆与待变入车道的中心线的距离小于一个较小阈值Δ2,并且此后不发生较大震荡的时刻。若对变道起始时刻或者结束时刻的判断不清晰,比如驾驶员开始变道又放弃的情形,则不对本次变道行为进行学习。
S230:将所述实际变道路径与所述多个候选变道路径分别进行匹配,确定与所述实际变道路径最接近的候选变道路径,作为目标路径。
本发明实施例中,在变道结束后,可以确定每个候选变道路径与所述实际变道路径之间的距离,找到与所述实际变道路径之间的距离最小的候选变道路径作为与所述实际变道路径最接近的候选变道路径。
在一个示例中,对候选变道路径进行匹配时,可以采用最近邻-动态时间规整的方法。
首先在候选路径中筛选出变道时间与实际变道时间的差值在ΔT范围内的路径,其中ΔT可以取0.5s或1s。
假设实际变道路径的轨迹为A={a1,a2,...,an},其中ai=(xi,yi),i=1,2,...,n,xi,yi为轨迹A的第i个点在车辆坐标系下的坐标,所述实际路径的轨迹点按照固定的时间间隔排列。
假设筛选出的基于第k组参数产生的候选变道路径为Bk={b1,b2,...,bm},其中 为候选路径Bk的第i个点在车辆坐标系下的坐标,所述候选变道路径的轨迹点按照与所述实际变道路径轨迹点相等的时间间隔排列。
定义规整路径P为:
P=<(e1,f1),(e2,f2),...,(es,fs)>
其中(e1,f1)=(1,1),(es,fs)=(n,m),并且0≤ei+1-ei≤1,0≤fi+1-fi≤1。
则轨迹A,Bk上任意两点的距离可以定义为:
其中w1,w2分别是纵向偏差与横向偏差对应的权重,一般可以将横向偏差的权重设大一点,纵向偏差的权重设小一点。W(|i-j|)是关于索引差值的权重函数,索引差值越大,权重函数越大。
轨迹A,Bk在规整路径P下的距离可以定义为:
可以采用动态规划的方法求解出所有规整路径P中使得轨迹A,Bk的距离FP(A,Bk)最小的规整路径P*,以及轨迹A,Bk的最小距离,将所述最小距离作为轨迹A,Bk的距离。
根据轨迹A,Bk的距离可以确定筛选出的候选变道路径中与所述实际变道路径A距离最小的路径Bk*,作为与所述实际变道路径最接近的候选变道路径。
S240:获取所述目标路径对应的路径规划参数的参数标签,将所述变道起始时刻的路况信息和所述参数标签对应加入车辆的训练数据集。
本发明实施例中,可以将本次变道起始时刻的路况信息及与所述实际变道路径A距离最小的路径Bk*的标签k*加入车辆的训练数据集。
S120:在监测到所述车辆的车道变换信号后,获取所述车辆行驶的当前路况信息。
本发明实施例中,当驾驶员开启转向灯时,可以通过路况记录模块记录所述车辆行驶的当前路况信息,所述当前路况信息可以包括道路曲率、车道宽度、附近车辆的位置、附近车辆的碰撞时间、附近车辆的时距以及车辆与必须变道位置的距离,所述附近车辆包括待变入车道上前方最近车辆、待变入车道上后方最近车辆、本车道上前方最近车辆和待变入车道另一侧相邻车道上距离最近的车辆。
S130:根据所述训练数据集和所述当前路况信息确定所述当前路况信息对应的目标参数标签。
本发明实施例中,可以通过所述训练数据集和所述当前路况信息确定所述当前路况信息对应的目标参数标签,进而确定路径规划参数以规划车辆的变道路径,在确定路径规划参数的过程中考虑了驾驶员的驾驶习惯,能够规划处符合驾驶员偏好的变道路径。具体地,可以根据所述训练数据集中各个参数标签的数量来确定路径规划参数,也可以采用机器学习的方法来确定路径规划参数。
在一个可能的实施例中,所述训练数据集可以包括多个路况信息和与之对应的参数标签;所述当车辆的自动变道模式启动时,获取所述车辆的训练数据集之后,还可以包括:
根据所述路况信息的各个特征以及所述路况信息对应的参数标签构建决策树;
基于预设的损失函数对构建的决策树进行剪枝处理,生成决策树模型。
具体地,可以根据所述训练数据集建立决策树模型。其中,决策树的特征为路况信息,各特征变量及含义如下表所示,所述参数标签可以为路径规划参数的序号。
特征代号 | 字母 | 含义 | 单位 |
A<sub>1</sub> | Cr | 道路曲率 | m^-1 |
A<sub>2</sub> | Lw | 车道宽度 | m |
A<sub>3</sub> | SA | 车辆A的位置 | m |
A<sub>4</sub> | TTCA | 车辆A的碰撞时间 | s |
A<sub>5</sub> | TGA | 车辆A的时距 | s |
A<sub>6</sub> | SB | 车辆B的位置 | m |
A<sub>7</sub> | TTCB | 车辆B的碰撞时间 | s |
A<sub>8</sub> | TGB | 车辆B的时距 | s |
A<sub>9</sub> | SC | 车辆C的位置 | m |
A<sub>10</sub> | TTCC | 车辆C的碰撞时间 | s |
A<sub>11</sub> | TGC | 车辆C的时距 | s |
A<sub>12</sub> | SD | 车辆D的位置 | m |
A<sub>13</sub> | TTCD | 车辆D的碰撞时间 | s |
A<sub>14</sub> | TGD | 车辆D的时距 | s |
A<sub>15</sub> | Dx | 车辆与必须变道位置的距离 | m |
示例性地,建立决策树模型的方法可以包括以下步骤:
第一步,计算训练数据集的经验熵H(D),所述经验熵H(D)可以通过下式进行计算:
其中,|D|为所述训练数据集的路况信息的样本容量,N为路径规划参数的组数(即类别数),Ck为参数标签为k的路况信息的样本数量。
第二步,分别计算以道路曲率、车道宽度、车辆A的位置、车辆A的碰撞时间、车辆A的时距、车辆B的位置、车辆B的碰撞时间、车辆B的时距、车辆C的位置、车辆C的碰撞时间、车辆C的时距、车辆D的位置、车辆D的碰撞时间、车辆D的时距、车辆与必须变道位置的距离为特征的经验条件熵及信息增益比,选择信息增益比最大的特征Ag。
第三步,选择特征Ag的可能值中实例数最大的类别作为标记,构建决策树子节点。
第四步,对子节点递归地调用以上方法,直到所有特征的信息增益比均小于阈值ε为止。
第五步,根据决策树学习的损失函数,对得到的决策树进行剪枝。假设决策树T的叶节点个数为|T|,t是树T的叶节点,该叶节点有Nt个样本点,其中k类的样本点有Ntk个,k=1,2,...,N,Ht(T)为叶节点t上的经验熵,α≥0为参数,则决策树学习的损失函数可定义如下:
其中
计算每个叶节点的经验熵,递归地从树的叶节点向上回缩,直到不能继续为止,得到损失最小的子树Tα,作为最终的决策树模型。
在本发明实施例中,所述根据所述训练数据集和所述当前路况信息确定所述当前路况信息对应的目标参数标签可以包括:
将所述当前路况信息输入预先训练的决策树模型,得到所述当前路况信息对应的目标参数标签。
具体地,可以将所述当前路况信息输入训练好的决策树模型,所述决策树模型即可输出当前路况信息对应的目标参数标签,进而可以确定对应的路径规划参数。
在另一个可能的实施例中,所述训练数据集可以包括多个路况信息和与之对应的参数标签;所述根据所述训练数据集和所述当前路况信息确定所述当前路况信息对应的目标参数标签可以包括:
统计所述训练数据集中的各个参数标签的标签数量;
获取标签数量最多的参数标签作为所述当前路况信息对应的目标参数标签。
具体地,假设训练数据集样本容量为|D|,参数标签为k的路况信息的样本数量为Ck。取使得Ck最大的k=k*,即
将k*作为所述当前路况信息对应的目标参数标签。
在另一个可能的实施例中,所述训练数据集可以包括多个路况信息和与之对应的参数标签;所述根据所述训练数据集和所述当前路况信息确定所述当前路况信息对应的目标参数标签可以包括:
根据最近邻方法确定所述训练数据集中与所述当前路况信息最邻近的路况信息;
将所述最邻近的路况信息对应的参数标签作为所述当前路况信息对应的目标参数标签。
具体地,可以根据一定的距离度量,在训练数据集D中找到与所述当前路况信息最邻近的路况信息,将该路况信息对应的参数标签k*作为所述当前路况信息对应的目标参数标签。可采用K维树(K-Dimensional Tree,KD树)方法提高最近邻搜索的效率。
S140:基于所述目标参数标签对应的路径规划参数进行变道路径规划,确定所述车辆的变道路径。
具体地,可以根据当前路况所对应的参数标签k*确定路径规划参数,结合所述当前路况信息规划出符合驾驶员偏好的路径,并由车辆控制模块控制车辆完成自主变道。示例性地,假设所述参数标签为路径规划参数的序号,则可以根据第k*组路径规划参数进行路径规划,进而完成车辆的自主变道。
综上所述,本发明的变道路径规划方法,通过根据车辆的实际变道数据生成的训练数据集以及当前路况信息确定当前路况下的目标参数标签,并基于所述目标参数标签对应的路径规划参数确定所述车辆的变道路径,不仅能够适应不同的路况、保证驾驶安全性,还能够更好地反映驾驶员的变道偏好,使得自动变道和驾驶员自主变道时的主观感受更为一致,提升自动驾驶车辆的驾乘体验。另外,随着驾驶里程和变道行为数量不断增加,训练数据集不断扩充,规划的变道路径更加符合驾驶员的变道习惯。
结合参考说明书附图4,其示出了本发明一个实施例提供的变道路径规划装置的结构,所述装置可以设置于车辆的自动变道模块。如图4所示,所述装置可以包括:
训练数据集获取单元410,用于当车辆的自动变道模式启动时,获取所述车辆的训练数据集,所述训练数据集根据所述车辆的实际变道数据生成,所述实际变道数据为所述车辆在未启动自动变道模式时的变道数据;
路况信息获取单元420,用于在监测到所述车辆的车道变换信号后,获取所述车辆行驶的当前路况信息;
目标参数标签确定单元430,用于根据所述训练数据集和所述当前路况信息确定所述当前路况信息对应的目标参数标签;
变道路径规划单元440,用于基于所述目标参数标签对应的路径规划参数进行变道路径规划,确定所述车辆的变道路径。
在一个可能的实施例中,所述装置还可以包括:
实际变道数据获取单元,用于当所述车辆的自动变道模式未启动时,获取所述车辆的实际变道数据,所述实际变道数据包括变道起始时刻的路况信息和实际变道路径;
候选变道路径确定单元,用于基于预设的多组路径规划参数分别进行变道路径规划,确定所述车辆的多个候选变道路径;
匹配单元,用于将所述实际变道路径与所述多个候选变道路径分别进行匹配,确定与所述实际变道路径最接近的候选变道路径,作为目标路径;
训练数据集确定单元,用于获取所述目标路径对应的路径规划参数的参数标签,将所述变道起始时刻的路况信息和所述参数标签对应加入车辆的训练数据集。
结合参考说明书附图5,其示出了本发明一个实施例提供的变道路径规划系统的结构。如图5所示,所述系统可以包括路况记录模块510、自动变道模块520和车辆控制模块530;
所述路况记录模块510,用于记录所述车辆行驶的当前路况信息;
所述自动变道模块520包括变道路径规划装置,所述变道路径规划装置用于当车辆的自动变道模式启动时,获取所述车辆的训练数据集,所述训练数据集根据所述车辆的实际变道数据生成,所述实际变道数据为所述车辆在未启动自动变道模式时的变道数据;在监测到所述车辆的车道变换信号后,获取所述车辆行驶的当前路况信息;根据所述训练数据集和所述当前路况信息确定所述当前路况信息对应的目标参数标签;基于所述目标参数标签对应的路径规划参数进行变道路径规划,确定所述车辆的变道路径;
所述车辆控制模块530,用于根据所述变道路径控制所述车辆进行自动变道。
上述说明已经充分揭露了本发明的具体实施方式。需要指出的是,熟悉该领域的技术人员对本发明的具体实施方式所做的任何改动均不脱离本发明的权利要求书的范围。相应地,本发明的权利要求的范围也并不仅仅局限于前述具体实施方式。
Claims (7)
1.一种变道路径规划方法,其特征在于,包括:
当车辆的自动变道模式启动时,获取所述车辆的训练数据集,所述训练数据集根据所述车辆的实际变道数据生成,所述实际变道数据为所述车辆在未启动自动变道模式时的变道数据;
在监测到所述车辆的车道变换信号后,获取所述车辆行驶的当前路况信息;
根据所述训练数据集和所述当前路况信息确定所述当前路况信息对应的目标参数标签;所述训练数据集包括多个路况信息和与之对应的参数标签;所述根据所述训练数据集和所述当前路况信息确定所述当前路况信息对应的目标参数标签包括:统计所述训练数据集中的各个参数标签的标签数量;获取标签数量最多的参数标签作为所述当前路况信息对应的目标参数标签;或者,根据最近邻方法确定所述训练数据集中与所述当前路况信息最邻近的路况信息;将所述最邻近的路况信息对应的参数标签作为所述当前路况信息对应的目标参数标签;
基于所述目标参数标签对应的路径规划参数进行变道路径规划,确定所述车辆的变道路径;
当所述车辆的自动变道模式未启动时,获取所述车辆的实际变道数据,所述实际变道数据包括变道起始时刻的路况信息和实际变道路径;
基于预设的多组路径规划参数分别进行变道路径规划,确定所述车辆的多个候选变道路径;
将所述实际变道路径与所述多个候选变道路径分别进行匹配,确定与所述实际变道路径最接近的候选变道路径,作为目标路径;
获取所述目标路径对应的路径规划参数的参数标签,将所述变道起始时刻的路况信息和所述参数标签对应加入车辆的训练数据集。
2.根据权利要求1所述的方法,其特征在于,所述根据所述训练数据集和所述当前路况信息确定所述当前路况信息对应的目标参数标签包括:
将所述当前路况信息输入预先训练的决策树模型,得到所述当前路况信息对应的目标参数标签。
3.根据权利要求2所述的方法,其特征在于,所述训练数据集包括多个路况信息和与之对应的参数标签;
所述当车辆的自动变道模式启动时,获取所述车辆的训练数据集之后,还包括:
根据所述路况信息的各个特征以及所述路况信息对应的参数标签构建决策树;
基于预设的损失函数对构建的决策树进行剪枝处理,生成决策树模型。
4.根据权利要求1所述的方法,其特征在于,所述基于预设的多组路径规划参数分别进行变道路径规划,确定所述车辆的多个候选变道路径之前,还包括:
判断所述车辆的实际变道数据是否满足预设条件;
当所述实际变道数据满足预设条件时,执行所述基于预设的多组路径规划参数分别进行变道路径规划,确定所述车辆的多个候选变道路径的步骤。
5.根据权利要求3所述的方法,其特征在于,所述路况信息包括道路曲率、车道宽度、附近车辆的位置、附近车辆的碰撞时间、附近车辆的时距以及车辆与必须变道位置的距离,所述附近车辆包括待变入车道上前方最近车辆、待变入车道上后方最近车辆、本车道上前方最近车辆和待变入车道另一侧相邻车道上距离最近的车辆。
6.一种变道路径规划装置,其特征在于,包括:
训练数据集获取单元,用于当车辆的自动变道模式启动时,获取所述车辆的训练数据集,所述训练数据集根据所述车辆的实际变道数据生成,所述实际变道数据为所述车辆在未启动自动变道模式时的变道数据;
路况信息获取单元,用于在监测到所述车辆的车道变换信号后,获取所述车辆行驶的当前路况信息;
目标参数标签确定单元,用于根据所述训练数据集和所述当前路况信息确定所述当前路况信息对应的目标参数标签;所述训练数据集包括多个路况信息和与之对应的参数标签;所述根据所述训练数据集和所述当前路况信息确定所述当前路况信息对应的目标参数标签包括:统计所述训练数据集中的各个参数标签的标签数量;获取标签数量最多的参数标签作为所述当前路况信息对应的目标参数标签;或者,根据最近邻方法确定所述训练数据集中与所述当前路况信息最邻近的路况信息;将所述最邻近的路况信息对应的参数标签作为所述当前路况信息对应的目标参数标签;
变道路径规划单元,用于基于所述目标参数标签对应的路径规划参数进行变道路径规划,确定所述车辆的变道路径;
实际变道数据获取单元,用于当所述车辆的自动变道模式未启动时,获取所述车辆的实际变道数据,所述实际变道数据包括变道起始时刻的路况信息和实际变道路径;
候选变道路径确定单元,用于基于预设的多组路径规划参数分别进行变道路径规划,确定所述车辆的多个候选变道路径;
匹配单元,用于将所述实际变道路径与所述多个候选变道路径分别进行匹配,确定与所述实际变道路径最接近的候选变道路径,作为目标路径;
训练数据集确定单元,用于获取所述目标路径对应的路径规划参数的参数标签,将所述变道起始时刻的路况信息和所述参数标签对应加入车辆的训练数据集。
7.一种变道路径规划系统,其特征在于,包括路况记录模块、自动变道模块和车辆控制模块;
所述路况记录模块,用于记录所述车辆行驶的当前路况信息;
所述自动变道模块包括变道路径规划装置,所述变道路径规划装置用于当车辆的自动变道模式启动时,获取所述车辆的训练数据集,所述训练数据集根据所述车辆的实际变道数据生成,所述实际变道数据为所述车辆在未启动自动变道模式时的变道数据;在监测到所述车辆的车道变换信号后,获取所述车辆行驶的当前路况信息;根据所述训练数据集和所述当前路况信息确定所述当前路况信息对应的目标参数标签;所述训练数据集包括多个路况信息和与之对应的参数标签;所述根据所述训练数据集和所述当前路况信息确定所述当前路况信息对应的目标参数标签包括:统计所述训练数据集中的各个参数标签的标签数量;获取标签数量最多的参数标签作为所述当前路况信息对应的目标参数标签;或者,根据最近邻方法确定所述训练数据集中与所述当前路况信息最邻近的路况信息;将所述最邻近的路况信息对应的参数标签作为所述当前路况信息对应的目标参数标签;基于所述目标参数标签对应的路径规划参数进行变道路径规划,确定所述车辆的变道路径;当所述车辆的自动变道模式未启动时,获取所述车辆的实际变道数据,所述实际变道数据包括变道起始时刻的路况信息和实际变道路径;基于预设的多组路径规划参数分别进行变道路径规划,确定所述车辆的多个候选变道路径;将所述实际变道路径与所述多个候选变道路径分别进行匹配,确定与所述实际变道路径最接近的候选变道路径,作为目标路径;获取所述目标路径对应的路径规划参数的参数标签,将所述变道起始时刻的路况信息和所述参数标签对应加入车辆的训练数据集;
所述车辆控制模块,用于根据所述变道路径控制所述车辆进行自动变道。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010586803.5A CN111775938B (zh) | 2020-06-24 | 2020-06-24 | 一种变道路径规划方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010586803.5A CN111775938B (zh) | 2020-06-24 | 2020-06-24 | 一种变道路径规划方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111775938A CN111775938A (zh) | 2020-10-16 |
CN111775938B true CN111775938B (zh) | 2021-11-16 |
Family
ID=72759887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010586803.5A Active CN111775938B (zh) | 2020-06-24 | 2020-06-24 | 一种变道路径规划方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111775938B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112835362B (zh) * | 2020-12-29 | 2023-06-30 | 际络科技(上海)有限公司 | 一种自动变道规划方法及装置、电子设备和存储介质 |
CN112758107B (zh) * | 2021-02-07 | 2023-01-03 | 的卢技术有限公司 | 一种车辆自动变道方法、控制装置、电子设备及汽车 |
CN114179832B (zh) * | 2021-12-29 | 2023-12-19 | 阿波罗智联(北京)科技有限公司 | 用于自动驾驶车辆的变道方法 |
CN114506344B (zh) * | 2022-03-10 | 2024-03-08 | 福瑞泰克智能系统有限公司 | 一种车辆轨迹的确定方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012001405A1 (de) * | 2012-01-26 | 2012-11-22 | Daimler Ag | Verfahren zur Durchführung eines Fahrspurwechsels und Vorrichtung zur Durchführung des Verfahrens |
CN108562299A (zh) * | 2018-04-23 | 2018-09-21 | 戴姆勒股份公司 | 基于大数据分析和在线交通状况监测的行驶路线规划方法 |
CN110103956A (zh) * | 2019-05-16 | 2019-08-09 | 北方工业大学 | 一种无人车自动超车轨迹规划方法 |
CN110733504A (zh) * | 2019-11-27 | 2020-01-31 | 禾多科技(北京)有限公司 | 具有备份路径的自动驾驶车辆行驶方法 |
CN110758403A (zh) * | 2019-10-30 | 2020-02-07 | 北京百度网讯科技有限公司 | 自动驾驶车辆的控制方法、装置、设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10071738B2 (en) * | 2017-02-13 | 2018-09-11 | Denso International America, Inc. | Vehicle system and vehicle controller for controlling vehicle |
US11545049B2 (en) * | 2018-07-30 | 2023-01-03 | Pony Ai Inc. | Provision of instructions for driver training |
-
2020
- 2020-06-24 CN CN202010586803.5A patent/CN111775938B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012001405A1 (de) * | 2012-01-26 | 2012-11-22 | Daimler Ag | Verfahren zur Durchführung eines Fahrspurwechsels und Vorrichtung zur Durchführung des Verfahrens |
CN108562299A (zh) * | 2018-04-23 | 2018-09-21 | 戴姆勒股份公司 | 基于大数据分析和在线交通状况监测的行驶路线规划方法 |
CN110103956A (zh) * | 2019-05-16 | 2019-08-09 | 北方工业大学 | 一种无人车自动超车轨迹规划方法 |
CN110758403A (zh) * | 2019-10-30 | 2020-02-07 | 北京百度网讯科技有限公司 | 自动驾驶车辆的控制方法、装置、设备及存储介质 |
CN110733504A (zh) * | 2019-11-27 | 2020-01-31 | 禾多科技(北京)有限公司 | 具有备份路径的自动驾驶车辆行驶方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111775938A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111775938B (zh) | 一种变道路径规划方法、装置及系统 | |
CN108583578B (zh) | 用于自动驾驶车辆的基于多目标决策矩阵的车道决策方法 | |
EP3730370B1 (en) | Method and device for acquiring automatic driving track | |
US10838423B2 (en) | Intelligent vehicle navigation systems, methods, and control logic for deriving road segment speed limits | |
EP3694768B1 (en) | Automatically parking a vehicle in a parking slot | |
CN112099496B (zh) | 一种自动驾驶训练方法、装置、设备及介质 | |
CN113291308B (zh) | 一种考虑驾驶行为特性的车辆自学习换道决策系统及方法 | |
CN112249032B (zh) | 一种自动驾驶决策方法、系统、设备及计算机存储介质 | |
CN109835339B (zh) | 一种换道决策方法及装置 | |
CN107901909B (zh) | 一种车道自动更换的控制方法、装置及控制器 | |
CN107168303A (zh) | 一种汽车的自动驾驶方法及装置 | |
CN113173170B (zh) | 基于人员画像个性化算法 | |
CN113844451B (zh) | 行驶设备控制方法、装置、电子设备及存储介质 | |
CN112365710B (zh) | 一种基于概率输出模型的智能车辆换道决策方法 | |
CN112668779A (zh) | 基于自适应高斯过程的前车运动状态预测方法 | |
CN110619340B (zh) | 一种自动驾驶汽车换道规则的生成方法 | |
CN113506457A (zh) | 基于大型停车场场景下寻找停车位的装置和方法 | |
JP4225352B2 (ja) | 追従制御装置 | |
CN108921044A (zh) | 基于深度卷积神经网络的驾驶员决策特征提取方法 | |
JP4743251B2 (ja) | 追従制御装置 | |
CN109515441B (zh) | 用于智能驾驶车辆的车速控制系统 | |
CN111391848B (zh) | 自动驾驶车辆换道方法 | |
CN111402577A (zh) | 一种信号交叉口驾驶员停车时间预测方法 | |
CN114261408B (zh) | 一种可识别路况的自动驾驶方法、系统及车辆 | |
CN111483463B (zh) | 基于车载单元和路侧单元的预判超车方法、存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |